Görüntü tabanlı derin öğrenmeyle gerçek zamanlı hareket analizi
Real time motion analysis using vision based deep learning
- Tez No: 986881
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu doktora tezinin temel amacı, yalnızca RGB kameralar kullanılarak, herhangi bir işaretleyici ya da ek sensöre ihtiyaç duymadan bireylerin fiziksel egzersizlerinin doğru, güvenilir ve gerçek zamanlı biçimde analiz edilebilmesini sağlayan yapay zekâ tabanlı bir sistem geliştirmektir. Bu doğrultuda MediaPipe ve OpenCV altyapılarını birleştiren modüler bir yazılım mimarisi tasarlanmış; 103 katılımcıdan iki açılı kamera sistemi üzerinden elde edilen zaman serisi iskelet verileri LSTM + Dikkat Mekanizması, GRU + Dikkat Mekanizması ve Transformer tabanlı modellerle işlenmiştir. Katılımcıların beden kütle indeksi, spor deneyimi ve performans seviyelerinin model doğruluğuna etkileri ayrıca istatistiksel analizlerle değerlendirilmiştir. Çalışmanın özgün katkılarından biri olarak, uzman puanlama sistemi biyomekanik kriterler temel alınarak yeniden yapılandırılmış ve duruş simetrisi, eklem açı uyumu, hareket istikrarı ve akıcılığı gibi çok boyutlu göstergeler eklenerek egzersiz kalitesi kapsamlı bir biçimde puanlanmıştır. Bu uzman puanları, derin öğrenme modellerinin eğitiminde hareket kalitesini temsil eden bir değişken olarak kullanılmış ve ağların gerçek zamanlı değerlendirme başarısı belirgin biçimde artırılmıştır. Elde edilen sonuçlar, GRU + Dikkat Mekanizması modelinin %98,9 doğruluk oranıyla en yüksek performansı sergilediğini ve uzman puanlama entegrasyonunun model tutarlılığını anlamlı biçimde güçlendirdiğini göstermektedir (p < 0,05). Geliştirilen sistem, profesyonel denetime ihtiyaç duymadan duruş hatalarını belirleyebilmekte; spor, rehabilitasyon ve halk sağlığı uygulamaları için düşük maliyetli, ölçeklenebilir ve kişiselleştirilebilir bir egzersiz analiz altyapısı sunmaktadır.
Özet (Çeviri)
The primary aim of this doctoral dissertation is to develop an artificial intelligence–based exercise analysis system capable of accurately evaluating individuals' physical activities in real time using only RGB cameras, without the need for markers or additional sensors. To achieve this goal, a modular software architecture integrating MediaPipe and OpenCV was designed, and time-series skeletal data collected from 103 participants through a dual-camera setup were processed using deep learning models, including LSTM + Attention Mechanism, GRU + Attention Mechanism, and Transformer architectures. The effects of participants' body mass index, sports experience, and performance level on model accuracy were examined through statistical analyses. As a notable contribution of the study, the expert scoring framework was reconstructed based on biomechanical principles, enabling a multi-dimensional assessment of exercise quality through indicators such as postural symmetry, joint-angle consistency, movement stability, and smoothness. These expert-derived scores were incorporated as movement-quality variables during model training, significantly enhancing the networks' real-time evaluation capability. The findings demonstrate that the GRU + Attention Mechanism model achieved the highest performance with an accuracy of 98.9%, and that the integration of the expert scoring system substantially improved model consistency (p < 0.05). The developed system is capable of identifying postural errors without professional supervision and contributes to injury prevention, offering a scalable, customizable, and cost-effective exercise assessment infrastructure for applications in sports, rehabilitation, and public health.
Benzer Tezler
- Deep learning-based behavior analysis of seafarers
Derin öğrenme tabanlı gemi adamlarının davranış analizi
VEYSEL GÖKÇEK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ KOÇAK
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Deep learning based dynamic turkish sign language recognition with leap motion
Derin öğrenme tabanlı leap motıon ile dinamik türk işaret dili tanıma
BURÇAK DEMİRCİOĞLU KAM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- Bilgisayar ve internet destekli uzaktan eğitim programlarının tasarım, geliştirme ve değerlendirme aşamaları (SUZEP örneği)
Design, development and evaluating stages of computer and internet supported distance education program (on the model of SUZEP)
BİROL GÜLNAR
Yüksek Lisans
Türkçe
2003
Radyo-TelevizyonSelçuk ÜniversitesiRadyo Televizyon Ana Bilim Dalı
PROF.DR. AHMET HALUK YÜKSEL
- Scene change detection with triplet loss network using self-supervised learning
Üçlü kayıp ağı ile kendi kendine denetimli öğrenme metodu kullanarak sahne geçişlerinin tespiti
BURAK NAYIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Ana Bilim Dalı
DR. TANKUT AKGÜL